Какое достижение в работе наиболее значимо?

Значимое достижение в работе Data Scientist

Наиболее значимое достижение в моей карьере — разработка модели предсказания оттока клиентов, которая позволила компании сохранить свыше 150 млн рублей ежегодно.

Контекст задачи

Я работал в крупной телекоммуникационной компании. Ежемесячно уходило около 2-3% абонентов, что при базе в 500 тысяч клиентов означало потерю 10-15 тысяч человек. Бизнес-команда не могла эффективно определить, кто из них уйдёт, поэтому кампании удержания работали вслепую.

Решение

Я собрал историческую выборку из 50 тысяч клиентов (20% ушли, 80% остались) и построил gradient boosting модель (LightGBM). Использовал 30+ признаков: поведенческие (дни без траты, средний чек, частота вызовов в техподдержку), демографические (возраст, регион, тип контракта), временные ряды (тренд расходов за последние 3, 6, 12 месяцев).

Ключевые шаги:

• Обработал дисбаланс классов через stratified k-fold и weight adjustment
• Применил feature importance анализ для интерпретируемости
• Настроил threshold не на стандартный 0.5, а на 0.35, чтобы минимизировать FN (упущенные отток-клиенты важнее, чем ложные срабатывания)
• Модель достигла ROC-AUC = 0.88 на тестовом наборе

Внедрение и результаты

Модель была развёрнута в production как batch-pipeline (ежедневно), который выдавал топ-1000 рискованных клиентов. Отдел маркетинга получил список для целевых кампаний удержания.

Результаты:

• Из 1000 клиентов в месяц модель корректно выявляла ~850 из числа действительно ушедших
• Удержание 15-20% из них через специальные предложения
• Это означало сохранение 3000-4000 клиентов ежегодно
• При среднем LTV клиента ~50 тысяч рублей это дало 150-200 млн рублей дополнительного дохода

Почему это значимо

Бизнес-влияние: Это не просто улучшение метрики на 2-3%. Это прямой контакт с финансовым результатом компании. Модель работала 3+ года, и за этот период компания получила миллиарды дополнительного дохода.

Масштаб: Модель использовалась для трёх стран одновременно, обслуживала 2+ млн абонентов, обновлялась еженедельно. Это не был one-off проект, а постоянно работающая система.

Техническая сложность: Пришлось разбираться в телеком-метриках, договориться со всеми командами (Data, BI, Marketing, IT) на единой интерпретации данных, обучить бизнес правильно использовать модель.

Расширение: На основе этого подхода я применил аналогичные модели для:

• Предсказания покупки премиум-услуг
• Выявления мошеннических аккаунтов
• Оптимизации контактных кампаний

Изученные уроки

• Модель полезна только если её действительно используют. Продукт — это не модель, это интеграция с бизнес-процессом.
• Интерпретируемость и доверие бизнеса часто важнее точности на несколько процентов.
• Качественная подготовка данных и feature engineering решают больше, чем выбор алгоритма.
• Feature importance и SHAP-анализ помогают обнаружить новые закономерности и ошибки в данных.